Pesquisadores desenvolveram um esquema de defesa em que um LLM planeja, a partir do código-fonte da aplicação, um honeypot estático, e um roteador desvia todo o tráfego subsequente de clientes já confirmados como atacantes — inclusive exploits funcionais — para uma réplica isolada («shadow»). Contra o framework ofensivo ARTEX, a defesa reduziu o comprometimento real de 20/40 para 0/40 em tarefas conhecidas e de 15/20 para 0/20 em tarefas novas do CVE-Bench.
Fonte ↗Pesquisadores apresentam o AgentTrap, descrito como o primeiro honeypot de malha fechada projetado especificamente para enganar agentes autônomos de pentest baseados em LLM, que se adaptam dinamicamente às respostas do alvo. Em testes contra oito agentes autônomos de pentest, o AgentTrap reduziu a taxa agregada de sucesso de ataque no alvo real de 95,8% para 79,2% e conseguiu extrair chaves de API do atacante em 18,8% das execuções. O resultado supera honeypots estáticos tradicionais, mas mostra que mesmo uma defesa adaptativa ainda deixa a maioria dos ataques bem-sucedidos passar.
Fonte ↗O estudo documenta que agentes autônomos de LLM já realizam busca de vulnerabilidades em escala de repositório, gerando muitas hipóteses baratas mas só conseguindo verificar uma fração delas dentro de um orçamento finito. Explorando essa assimetria, os autores propõem o RedHerring, que insere iscas de vulnerabilidade certificadamente seguras — derivadas de CVEs reais mas com o caminho de exploração bloqueado — reduzindo em até 60% as vulnerabilidades reais encontradas pelo agente atacante.
Fonte ↗